python编程入门，Python人工智能开发难学吗？零基础的人该如何入门呢？_python

资料来源：网络整理时间：2023/3/5 12:44:22 共计：3582 浏览

python编程入门？ Python是一门编程语言，可以做很多事情，很多朋友对“Python人工智能开发难学吗？零基础的人该如何入门呢？”这样的疑问，小编汇总了相关问答给大家参考！

曾经有人这样说过：如果连Python都学不会，你就不要学编程了。是的，Python编程简单易学，火热多金，好玩超神，尤其是被夸赞为「简单上手的编程语言」了。对于零基础的人而言，学习Python需要注意以下几点：

1.学习东西的过程是有一个加速度的。刚开始的时候是线形的速度，之后便是一个快速的上升期，然后又回到线形的速度。如果选择好书，一开始也可以处于有加速度的状态，那就是越学越开心，越来越感兴趣，好书常常能够让你做到这样子。

2.尽信书不如无书。有的示例程序看上去显而易见，但是你不拿过去运行一下，自己调试一下，你始终掌握不到其精髓和灵活运用的方法。自己动手改改，你会心悦诚服很多。

3.要善于总结。如果你光学不练，这是不好的，如果你不善于总结，这也是不好的。语言都是用不上的时候开始学习。都是用的上的时候开始复习。要是用得上的时候开始学习，除非你抗压能力一流，不然我想你心情烦躁，效果会很不好的。学习的时候多总结一下，复习的时候可以翻出来看看，这样就不至于完全荒废了，并且恢复相当快速。

如果自制力不好，也可以选择专业的学习方式，合理安排自己的课程，收获真正的Python技术知识。在这里，大家如果真的用心学习，完全不用担心毕业后找不到好工作。

我们使用过的很多产品都是基于 Python 开发的，国内的豆瓣、知乎、果壳，国外的 YouTube、Dropbox 和 Reddit 等也是诞生于 Python 的框架之下。

掌握 Python 后，你还可以用更短的时间，更高的效率学习和掌握机器学习，甚至是深度学习的技能。

越来越多的人们都使用 Python 来编写框架、制作工具，因此会吸引更多人来使用。

不外乎这几种，有的人想要通过学习 Python 转行成程序员，实现行业上的转变；有的人希望通过学习 Python ，在现有岗位上提升自己；当然也有很多人只是从众，看到这门语言火，学的人多，自己也要凑凑热闹。

明确这个目的后，你就要朝着自己选定的方向学习，这样学习起来就没有那么痛苦，每天可以看到自己的进步；另外，你可以根据自己的目标，去针对性的学习，例如运维开发、web服务、数据分析、机器学习等各个方面的细分领域，去安排自己的学习路径。

学习方法：

1.学习要每天坚持打卡，学习是一件坚持的事情，而不是三分钟热血，说学习，学了几天就不学了。每天坚持学习，每天进行学习总结，温习之前学的内容，在进行新的学习。这样有利于你的学习进度。

2.加入一个学习团，学习需要氛围，在大家都在火热的学习时候，你也会收到氛围的影响，使你也跟着学习。并且你再遇到问题的同时，你可以跟大家分享你的问题，让大家来解决问题。多种解决方案，你可以选择他们的优点来结合自己的问题进行改正。

3.多看一些大神们的经验分享，分享自己的学习路线，学习经验总结，让你在学习的道路上少走弯路。

4.找一个学习伙伴，上学的时候都会有同桌，在组学的道路上怎么能没有伙伴呢。伙伴之间可以互相监督，互相学习借鉴。大家一起努力学习，共同进步。

5.最重要的是要上机操作，实战项目。多多参加练手，只有动手操作才会使你学习的东西变成你自己的东西。而光看，光听到时候你就会上机操作的时候会大脑一片空白。对与项目无从下手。多参与项目使自己的动手能力变强，使你得学习进度加快。

推荐教程:Python400集，百战程序员出品，是我目前看到网上这么多入门视频中最值得推荐的，干货满满，前后衔接，而且特别适合初学者。内容也特别多，高淇老师的讲课风格也很有意思，可以去看看，坚持学完入门肯定没问题了。

关于作者：Python King，Python高手大师

在使用Pandas之前，需要导入Pandas包。惯例是将pandas简写为pd，命令如下：

import pandas as pd

Pandas包含两个主要的数据结构：Series和DataFrame。其中最常用的是DataFrame，下面我们先来学习一下DataFrame。

01 DataFrame入门

DataFrame是一个表格型的数据结构。每列都可以是不同的数据类型（数值、字符串、布尔值等）。

DataFrame既有行索引也有列索引，这两种索引在DataFrame的实现上，本质上是一样的。但在使用的时候，往往是将列索引作为区分不同数据的标签。DataFrame的数据结构与SQL数据表或者Excel工作表的结构非常类似，可以很方便地互相转换。

下面先来创建一个DataFrame，一种常用的方式是使用字典，这个字典是由等长的list或者ndarray组成的，示例代码如下：

data={'A':['x','y','z'],'B':[1000,2000,3000],'C':[10,20,30]}df=pd.DataFrame(data,index=['a','b','c'])df

运行结果如图3-2所示。

▲图3-2

我们可以看到，DataFrame主要由如下三个部分组成。

数据，位于表格正中间的9个数据就是DataFrame的数据部分。索引，最左边的a、b、c是索引，代表每一行数据的标识。这里的索引是显式指定的。如果没有指定，会自动生成从0开始的数字索引。列标签，表头的A、B、C就是标签部分，代表了每一列的名称。

下文列出了DataFrame函数常用的参数。其中，“类似列表”代表类似列表的形式，比如列表、元组、ndarray等。一般来说，data、index、columns这三个参数的使用频率是最高的。

其中data的数据类型有很多种。

下文列举了可以作为data传给DataFrame函数的数据类型。

可以传给DataFrame构造器的数据：

二维ndarray：可以自行指定索引和列标签嵌套列表或者元组：类似于二维ndarray数据、列表或元组组成的字典：每个序列变成一列。所有序列长度必须相同由Series组成的字典：每个Series会成为一列。如果没有指定索引，各Series的索引会被合并另一个DataFrame：该DataFrame的索引将会被沿用

前面生成了一个DataFrame，变量名为df。下面我们来查看一下df的各个属性值。

获取df数据的示例代码如下：

df.values

输出结果如下：

array([['x', 1000, 10], ['y', 2000, 20], ['z', 3000, 30]], dtype=object)

获取df行索引的示例代码如下：

df.index

输出结果如下：

Index(['a', 'b', 'c'], dtype='object')

获取df列索引（列标签）的示例代码如下：

df.columns

输出结果如下：

Index(['A', 'B', 'C'], dtype='object')

可以看到，行索引和列标签都是Index数据类型。

创建的时候，如果指定了列标签，那么DataFrame的列也会按照指定的顺序进行排列，示例代码如下：

df=pd.DataFrame(data,columns=['C','B','A'],index=['a','b','c'])df

运行结果如图3-3所示。

▲图3-3

如果某列不存在，为其赋值，会创建一个新列。我们可以用这种方法来添加一个新的列：

df['D']=10df

运行结果如图3-4所示。

▲图3-4

使用del命令可以删除列，示例代码如下：

del df['D']df

运行结果如图3-5所示。

▲图3-5

添加行的一种方法是先创建一个DataFrame，然后再使用append方法，代码如下：

new_df=pd.DataFrame({'A':'new','B':4000,'C':40},index=['d'])df=df.append(new_df)df

运行结果如图3-6所示。

▲图3-6

或者也可以使用loc方法来添加行，示例代码如下：

df.loc['e']=['new2',5000,50]df

运行结果如图3-7所示。

▲图3-7

loc方法将在后面的内容中详细介绍。

索引的存在，使得Pandas在处理缺漏信息的时候非常灵活。下面的示例代码会新建一个DataFrame数据df2。

df2=pd.DataFrame([1,2,3,4,5],index=['a','b','c','d','z'],columns=['E'])df2

运行结果如图3-8所示。

▲图3-8

如果现在想要合并df和df2，使得df有一个新的列E，那么可以使用join方法，代码如下：

df.join(df2)

运行结果如图3-9所示。

▲图3-9

可以看到，df只接受索引已经存在的值。由于df2中没有索引e，所以是NaN值，而且df2索引为z的值已经丢失了。为了保留df2中索引为z的值，我们可以提供一个参数，告诉Pandas如何连接。示例代码如下：

df.join(df2,how='outer')

运行结果如图3-10所示。

▲图3-10

在上述代码中，how='outer'表示使用两个索引中所有值的并集。连接操作的其他选项还有inner（索引的交集）、left（默认值，调用方法的对象的索引值）、right（被连接对象的索引值）等。

在金融数据分析中，我们要分析的往往是时间序列数据。下面介绍一下如何基于时间序列生成DataFrame。为了创建时间序列数据，我们需要一个时间索引。这里先生成一个DatetimeIndex对象的日期序列，代码如下：

dates=pd.date_range('20160101',periods=8)dates

输出结果如下：

DatetimeIndex(['2016-01-01', '2016-01-02', '2016-01-03', '2016-01-04', '2016-01-05', '2016-01-06', '2016-01-07', '2016-01-08'],dtype='da tetime64[ns]', freq='D')

可以看到，使用Pandas的date_range函数生成的是一个DatetimeIndex对象。date_range函数的参数及说明如下所示：

date_range函数频率的参数及说明如下所示：

B：交易日C：自定义交易日（试验中）D：日历日W：每周M：每月底SM：半个月频率（15号和月底）BM：每个月份最后一个交易日CBM：自定义每个交易月MS：日历月初SMS：月初开始的半月频率（1号，15号）BMS：交易月初CBMS：自定义交易月初Q：季度末BQ：交易季度末QS：季度初BQS：交易季度初A：年末BA：交易年度末AS：年初BAS：交易年度初BH：交易小时H：小时T，min：分钟S：秒L，ms：毫秒U，us：微秒N：纳秒

接下来，我们再基于dates来创建DataFrame，代码如下：

df=pd.DataFrame(np.random.randn(8,4),index=dates,columns=list('ABCD'))df

运行结果如图3-11所示。

▲图3-11

有了df，我们就可以使用多个基于DataFrame的内建方法了，下面来看看相关的示例。

按列求总和，代码如下：

df.sum()

输出结果如下：

A 0.241727B -0.785350C -0.547433D -1.449231dtype: float64

按列求均值，代码如下：

df.mean()

输出结果如下：

A 0.030216B -0.098169C -0.068429D -0.181154dtype: float64

按列求累计总和，代码如下：

df.cumsum()

运行结果如图3-12所示。

▲图3-12

使用describe一键生成多种统计数据，代码如下：

df.describe()

运行结果如图3-13所示。

▲图3-13

可以根据某一列的值进行排序，代码如下：

df.sort_values('A')

运行结果如图3-14所示。

▲图3-14

根据索引（日期）排序（这里是倒序），代码如下：

df.sort_index(ascending=False)

运行结果如图3-15所示。

▲图3-15

选取某一列，返回的是Series对象，可以使用df.A，代码如下：

df['A']

输出结果如下：

2016-01-01 -1.1423502016-01-02 -0.8161782016-01-03 0.0302062016-01-04 1.9301752016-01-05 0.5715122016-01-06 0.2204452016-01-07 0.2921762016-01-08 -0.844260Freq: D, Name: A, dtype: float64

使用[]选取某几行，代码如下：

df[0:5]

运行结果如图3-16所示。

▲图3-16

根据标签（Label）选取数据，使用的是loc方法，代码如下：

df.loc[dates[0]]

输出结果如下：

A -1.142350B -1.999351C 0.772343D -0.851840Name: 2016-01-01 00:00:00, dtype: float64

再来看两个示例代码。

df.loc[:,['A','C']]

运行结果如图3-17所示。

▲图3-17

df.loc['20160102':'20160106',['A','C']]

运行结果如图3-18所示。

▲图3-18

需要注意的是，如果只有一个时间点，那么返回的值是Series对象，代码如下：

df.loc['20160102',['A','C']]

输出结果如下：

A -0.816178C -0.595195Name: 2016-01-02 00:00:00, dtype: float64

如果想要获取DataFrame对象，需要使用如下命令：

df.loc['20160102':'20160102',['A','C']]

运行结果如图3-19所示。

▲图3-19

上面介绍的是loc方法，是按标签（索引）来选取数据的。有时候，我们会希望按照DataFrame的绝对位置来获取数据，比如，如果想要获取第3行第2列的数据，但不想按标签（索引）获取，那么这时候就可以使用iloc方法。

根据位置选取数据，代码如下：

df.iloc[2]

输出结果如下：

A 0.030206B 0.759953C -1.446549D -0.874364Name: 2016-01-03 00:00:00, dtype: float64

再来看一个示例：

df.iloc[3:6,1:3]

运行结果如图3-20所示。

▲图3-20

注意：对于DataFrame数据类型，可以使用[]运算符来进行选取，这也是最符合习惯的。但是，对于工业代码，推荐使用loc、iloc等方法。因为这些方法是经过优化的，拥有更好的性能。

有时，我们需要选取满足一定条件的数据。这个时候可以使用条件表达式来选取数据。这时传给df的既不是标签，也不是绝对位置，而是布尔数组（Boolean Array）。下面来看一下示例。

例如，寻找A列中值大于0的行。首先，生成一个布尔数组，代码如下：

df.A>0

输出结果如下：

2016-01-01 False2016-01-02 False2016-01-03 True2016-01-04 True2016-01-05 True2016-01-06 True2016-01-07 True2016-01-08 FalseFreq: D, Name: A, dtype: bool

可以看到，这里生成了一个Series类型的布尔数组。可以通过这个数组来选取对应的行，代码如下：

df[df.A>0]

运行结果如图3-21所示。

▲图3-21

从结果可以看到，A列中值大于0的所有行都被选择出来了，同时也包括了BCD列。

现在我们要寻找df中所有大于0的数据，先生成一个全数组的布尔值，代码如下：

df>0

运行结果如图3-22所示。

▲图3-22

下面来看一下使用df>0选取出来的数据效果。由图3-23可以看到，大于0的数据都能显示，其他数据显示为NaN值。

df[df>0]

运行结果如图3-23所示。

▲图3-23

再来看一下如何改变df的值。首先我们为df添加新的一列E，代码如下：

df['E']=0df

运行结果如图3-24所示。

▲图3-24

使用loc改变一列值，代码如下：

df.loc[:,'E']=1df

运行结果如图3-25所示。

▲图3-25

使用loc改变单个值，代码如下：

df.loc['2016-01-01','E'] = 2df

运行结果如图3-26所示。

▲图3-26

使用loc改变一列值，代码如下：

df.loc[:,'D'] = np.array([2] * len(df))df

运行结果如图3-27所示。

▲图3-27

可以看到，使用loc的时候，x索引和y索引都必须是标签值。对于这个例子，使用日期索引明显不方便，需要输入较长的字符串，所以使用绝对位置会更好。这里可以使用混合方法，DataFrame可以使用ix来进行混合索引。比如，行索引使用绝对位置，列索引使用标签，代码如下：

df.ix[1,'E'] = 3df

运行结果如图3-28所示。

▲图3-28

ix的处理方式是，对于整数，先假设为标签索引，并进行寻找；如果找不到，就作为绝对位置索引进行寻找。所以运行效率上会稍差一些，但好处是这样操作比较方便。

对于ix的用法，需要注意如下两点。

假如索引本身就是整数类型，那么ix只会使用标签索引，而不会使用位置索引，即使没能在索引中找到相应的值（这个时候会报错）。如果索引既有整数类型，也有其他类型（比如字符串），那么ix对于整数会直接使用位置索引，但对于其他类型（比如字符串）则会使用标签索引。

总的来说，除非想用混合索引，否则建议只使用loc或者iloc来进行索引，这样可以避免很多问题。

02 Series

Series类似于一维数组，由一组数据以及相关的数据标签（索引）组成。示例代码如下：

import pandas as pds=pd.Series([1,4,6,2,3])s

Out:

0 11 42 63 24 3

在这段代码中，我们首先导入pandas并命名为pd，然后向Series函数传入一个列表，生成一个Series对象。在输出Series对象的时候，左边一列是索引，右边一列是值。由于没有指定索引，因此会自动创建0到（N-1）的整数索引。也可以通过Series的values和index属性获取其值和索引。示例代码如下：

s.values

Out:

array([1, 4, 6, 2, 3], dtype=int64)

s.index

Out:

Int64Index([0, 1, 2, 3, 4], dtype='int64')

当然，我们也可以对索引进行定义，代码如下：

s=pd.Series([1,2,3,4],index=['a','b','c','d'])s

Out:

a 1b 2c 3d 4

在这里，我们将索引定义为a、b、c、d。这时也可以用索引来选取Series的数据，代码如下：

s['a']

Out:

s[['b','c']]

Out:

b 2c 3

对Series进行数据运算的时候也会保留索引。示例代码如下：

s[s>1]

Out:

b 2c 3d 4

s*3

Out:

a 3b 6c 9d 12

Series最重要的功能之一是在不同索引中对齐数据。示例代码如下：

s1=pd.Series([1,2,3],index=['a','b','c'])s2=pd.Series([4,5,6],index=['b','c','d'])s1+s2

Out:

a NaNb 6c 8d NaN

Series的索引可以通过赋值的方式直接修改，示例代码如下：

s.index

Out:

Index([u'a', u'b', u'c', u'd'], dtype='object')

s.index=['w','x','y','z']s.index

Out:

Index([u'w', u'x', u'y', u'z'], dtype='object')

Out:

w 1x 2y 3z 4

python可以说近几年随着人工智能火起来的编程语言，你想的到的和你想不到的python都可以帮你实现，爬虫、web、数据和文本处理等等。

题主关心的个人自学python需要多久学会，我觉得可以先考虑下面几个方面：

是否具备编程所需的逻辑思维能力

作为IT行业从业者，之前有人问过我，是不是学会了基础的JAVA语言，以后学其他的编程语言就轻松了，我认为不然，身边一个朋友大学学的Java，毕业工作之后一直不温不热，在近几年Java转python的热潮里，改行转了python，但还是不温不火，用他的话说还是啃不透，所以我觉得你有没有其他编程语言基础是其次，重要的是你具备编程所需的逻辑思维能力，哪怕说上学时候数学好，和别人吵架会抓理，表达能力强这都是逻辑好的表现，逻辑思维好的人，学习编程会轻松很多。

是不是乐于学习python编程

如果说逻辑能力是天赋，那对于python编程的兴趣就是后天因素了，虽然我认为python是所有我所了解的编程语言中，最简洁、最有意思的，但是再有意思的编程也是枯燥的，学习任何编程语言都需要静下心来好好“啃”，不管你是因为喜欢热爱编程，还是说冲着程序开发的高薪，只要有动力有恒心，就能学好。如果和题主说的自学，还需要时间和精力上的投入。

python个人自学要多久

下面我正式回答题主问题，如果你具备了我上面所说的编程逻辑思维能力，也拥有一颗愿意学习python的恒心，以我自己学习python举例，供题主参考：

一个月掌握基础python语言

两个月熟悉爬虫、数据分析方面的学习

python的方向很多，我暂时需要使用的就是爬虫和数据分析，从基础到完成这两个部分的深化学习，一个大概三个月的时间，我也是利用晚上没事的时候学习，也不是天天都学，一周五天左右，每次三个小时。

给0基础自学的建议

如果0基础从头学习python，依靠买一本书回来自己看，很难入门，建议到网上搜索相关的视频课程，结合视频系统的进行学习，我认为编程是一种三分学七分练的东西，python你学会了他，还要会用他，如果不会用，他仅仅是一个个单调的函数而已，但纯看书是学不好python的，要多多结合知识给自己出出小练习。

最后用Python之父吉多·范罗苏姆的话“人生苦短，我用python”，希望题主可以在学习python的道路上一帆风顺，有什么不明白的可以评论或者私信我。

更多科技及数码问答，关注头条号：MZ科技

总结，以上就是关于python编程入门以及Python人工智能开发难学吗？零基础的人该如何入门呢的经验分享，卡友有疑问可以加wx或扫码加群！

版权说明：
本网站凡注明“广州京杭原创”的皆为本站原创文章，如需转载请注明出处！
本网转载皆注明出处，遵循行业规范，如发现作品内容版权或其它问题的，请与我们联系处理！
欢迎扫描右侧微信二维码与我们联系。

·上一条：python全套教程百度网盘，想学习python计算机语言，自己是零基础，想买一本关于python的书，有哪些推荐？_python | ·下一条：网络代码，3什么意思网络错误代码10106？_python